1

我在 R 中使用 Party 包创建了决策树。我试图获得具有最大值的路由/分支。

它可以是来自箱线图的平均值图片1

它可以是来自二叉树的概率值（来源：rdatamining.com）图二

4

1 回答 1

0

这实际上可以很容易地完成，尽管您对回归树的最大值的定义很清楚，但对于分类树来说却不是很清楚，因为在每个节点中，不同级别可以有自己的最大值

无论哪种方式，这是一个非常简单的辅助函数，它将为您返回每种树的预测

GetPredicts <- function(ct){
      f <- function(ct, i) nodes(ct, i)[[1]]$prediction
      Terminals <- unique(where(ct))
      Predictions <- sapply(Terminals, f, ct = ct)
      if(is.matrix(Predictions)){
        colnames(Predictions) <- Terminals
        return(Predictions)
       } else {
        return(setNames(Predictions, Terminals))
       }
}

现在幸运的是，您已经从 的示例中获取了您的树?ctree，因此我们可以对其进行测试（下一次，请提供您自己使用的代码）

回归树（你的第一棵树）

## load the package and create the tree
library(party)
airq <- subset(airquality, !is.na(Ozone))
airct <- ctree(Ozone ~ ., data = airq, 
               controls = ctree_control(maxsurrogate = 3))
plot(airct)

现在，测试功能

res <- GetPredicts(airct)
res
#        5        3        6        9        8 
# 18.47917 55.60000 31.14286 48.71429 81.63333

所以我们得到了每个终端节点的预测。您可以从这里轻松进行which.max(res)（我将留给您决定）

分类树（你的第二棵树）

irisct <- ctree(Species ~ .,data = iris)
plot(irisct, type = "simple")

运行函数

res <- GetPredicts(irisct)
res
#      2          5   6          7
# [1,] 1 0.00000000 0.0 0.00000000
# [2,] 0 0.97826087 0.5 0.02173913
# [3,] 0 0.02173913 0.5 0.97826087

现在，输出有点难以阅读，因为每个类都有自己的概率。您可以使用使其更具可读性

row.names(res) <- levels(iris$Species)
res
#            2          5   6          7
# setosa     1 0.00000000 0.0 0.00000000
# versicolor 0 0.97826087 0.5 0.02173913
# virginica  0 0.02173913 0.5 0.97826087

您可以执行以下操作以获得整体最大值

which(res == max(res), arr.ind = TRUE)
#        row col
# setosa   1   1

对于列/行最大值，您可以这样做

matrixStats::colMaxs(res)
# [1] 1.0000000 0.9782609 0.5000000 0.9782609
matrixStats::rowMaxs(res)
# [1] 1.0000000 0.9782609 0.9782609

但是，我再一次让你决定如何从这里开始。

于 2016-03-14T22:25:27.980 回答